Stanford-onderzoekers hebben iets nieuws gedaan. Met hulp van Taiwanese partners, Google Research en Google DeepMind bouwden ze een AI-pijplijn voor genetische ontdekking. Het werkt echt.
“We hebben aangetoond dat grote taalmodellen (LLms) genetische ontdekkingen bij muizen kunnen vergemakkelijken… en genetische diagnoses kunnen genereren… bij mensen”, zegt Gary Peltze
Gary Peltz is hoogleraar anesthesie aan Stanford. Hij leidde de studie. Waarom maakt het uit? Ongeveer 350 miljoen mensen leven met zeldzame genetische ziekten. Als we de verantwoordelijke genen kunnen achterhalen, wordt de behandeling sneller. Veel sneller.
Het probleem met DNA-ruis
Denk eens aan het genoom. Het is een set DNA-instructies voor het maken van RNA en eiwitten. Vier basenparen. Orde is belangrijk. Maar de volgorde verschuift. Ieder mens draagt duizenden DNA-sequentieveranderingen met zich mee die ‘varianten van onbekende betekenis’ worden genoemd.
Veroorzaken deze varianten ziekte? Wij weten het niet.
Gehoorverlies illustreert de onscherpte. Een derde van de volwassenen ouder dan 61 jaar heeft er mee te maken. Dat aantal bereikt 80 procent boven de 85. De helft van deze gevallen komt voort uit genetica. Maar we weten zelden welke delen. Peltz wijst erop dat de klok tikt. Er komen binnenkort restauratieve therapieën voor andere genetische aandoeningen. Het identificeren van genen voor gehoorverlies voelt opeens urgent.
Waarom oude methoden tekortschieten
Wetenschappers voeren meestal een genoombrede associatiestudie uit, oftewel GWAS. Ze zoeken naar statistische verbanden tussen een genotype en een eigenschap.
De truc? GWAS vindt echte boosdoeners. Het signaleert ook valse positieven. Veel van hen. Om ziekten echt te begrijpen, moet je het kaf van het koren scheiden. De huidige manieren doen dat handmatig. Ze verbranden contant geld. Ze verspillen tijd. Je hebt dure expertise van klinisch genetici nodig om de gegevens te doorzoeken.
AI verandert die vergelijking. Snel. Goedkoper. Nauwkeurig? Peltz denkt van wel. Hij stelt dat genomische analyse door AI de gezondheidszorg voor miljarden mensen zou kunnen verbeteren.
Med-PaLM ontmoet Gemini
Het team bouwde pijpleidingen om kandidaat-genen te sorteren. Ze gebruikten twee verschillende LLM’s. Med-PaLM 2 is gespecialiseerd in medische kennis. Gemini 2.5 Pro kan complexe redeneringen aan, maar mist medische verfijning.
Ten eerste analyseerde Med-PaLM 2 GWAS-genen van muizen. Het ontdekte de bekende causale genen correct. Toen vond het iets nieuws. Een genetische factor voor spontaan gehoorverlies bij muizen. Laboratoriumexperimenten bevestigden die bevinding later.
Toen kwamen de menselijke beproevingen. Met Gemini 2.5 Pro pakte het team twee groepen aan. Twintig patiënten met gehoorverlies. Zes met zeldzame genetische syndromen.
“De pijplijn… vereiste dat [het] zijn rangschikking moest redeneren met aangehaald bewijsmateriaal.” — Tao Tu, Google DeepMind
Tao Tu is wetenschappelijk onderzoeker bij DeepMind en co-auteur. Het model beoordeelde patiëntgenen aan de hand van medische literatuur. Het verwees naar symptomen. Vervolgens rangschikte het de waarschijnlijke oorzaken. De resultaten ervan concurreerden rechtstreeks met diagnoses van echte artsen. Een KNO-arts. Een klinisch geneticus.
Gemini won zonder enige voorafgaande medische opleiding. Het heeft de gevallen van gehoorverlies opgelost. De gevallen van zeldzame ziekten waren moeilijker. Overal complexe symptomen. Het team heeft de pijplijn aangepast om rekening te houden met die rommeligheid. Gemini vond nog steeds de oorzakelijke varianten. Het hielp bij het diagnosticeren van de zeldzame ziekten.
Het onderzoek kwam terecht in Advanced Science. De auteurs beweren dat AI op efficiënte wijze de genetische wortels van vermoedelijke ziekten bij honderden miljoenen mensen over de hele wereld kan lokaliseren.
Agenten en de toekomst van genomen
Wat gebeurt er daarna? De onderzoekers zijn van plan deze pijplijnen te integreren in autonome AI-agentframeworks. Denk aan plug-ins voor eiwit- of mutatiedata. Het wordt capabeler.
Peltz heeft grote dromen. Een model dat elektronische medische dossiers leest. Het analyseren van het genoom. Volledig geautomatiseerd. Hij ziet een dramatische verschuiving. Deze nieuwe redeneermodellen produceren hypothesen. Ze zorgen voor ontdekking. Ze versnellen het zoeken naar behandelingen.
Betekent dit dat we artsen dumpen?
Echt niet. Mensen moeten de AI interpreteren. Genetici en artsen blijven centraal staan.
Er is ook nog een kloof. Onze analyse negeert het grootste deel van het genoom. Slechts twee procent van het DNA codeert voor mRNA of eiwitten. Dat deel analyseren we. De overige achtennegentig procent missen we. Genetische veranderingen vinden daar plaats. We begrijpen ze alleen nog niet goed.
Peltz wijst op AlphaGenome als een mogelijke oplossing. Dit deep learning-model zou variaties in de genegeerde 98% kunnen interpreteren. Het zou verborgen informatie kunnen ontsluiten.
Als AI vooruitgang blijft boeken, verandert de genetica van behandeling naar preventie. Aangepaste plannen op basis van uw code. Het klinkt radicaal.
Peltz ziet een verschuiving aankomen. Van het oplossen van ziekten tot het volledig voorkomen ervan.
